一种应用于具有多次反馈调节特点场景的建模方法技术

本发明专利技术公开了一种应用于具有多次反馈调节特点场景的建模方法，假设工业生产系统的调节包含若干个阶段；每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；对数据进行预处理；对模型进行训练，预测值在模型的输入中，通过在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量；本发明专利技术解决了在多轮调节场景中用前馈网络建模的矛盾，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。

A modeling method applied to scenes with multiple feedback regulation characteristics

【技术实现步骤摘要】
一种应用于具有多次反馈调节特点场景的建模方法
本专利技术属于模型建模领域，尤其涉及一种应用于具有多次反馈调节特点场景的建模方法。
技术介绍
在一些工业生产场景中，生产的配方、添加剂的剂量等需要通过不断的实验测试来获得最优值，因为面对的常常是一个复杂系统，只能通过指标测量值来获知其内部情况(产品质量、人体器官健康程度)，对一个复杂系统的调试往往需要经过多次迭代，根据其每一次的检测指标值，来调节下一轮迭代的配方剂量和处理方式，来提升最终的产品质量，即得到最终的最优检测指标。例如在一个新研发的药物的使用剂量的确定，实质上是对人体这个复杂系统进行调节，通过在不同的个体上做大量的临床实验，来确定药物的推荐使用方法，以及针对不同体质个体的精准使用方法，对每个个体的实验过程都是一个多次调节的过程，每次用药的剂量都要参考历史用药和历史指标测量。再例如工业品的生产过程，其标准生产流程也是通过大量反复实验得到的，每一生产步骤应该采取什么动作、添加多少剂量的添加剂等，都要基于前面的生产步骤做过的动作和使用过的剂量。
技术实现思路
本专利技术针对工业生产场景中多轮调节的生产过程，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。在这一过程中，每一个当前环节的剂量的决策依据历史环节中的剂量X0和检测指标I0，而用一般的前馈网络模型，在模型训练阶段，模型在每个环节的输入是历史剂量X0和指标I0、当前剂量X1，模型输出的是此次用药后的检测指标I1。本专利技术主要解决这一建模中的矛盾，在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量X1。本专利技术的目的是通过以下技术方案来实现的：一种应用于具有多次反馈调节特点场景的建模方法，包括：(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；(2)数据采集与模型训练：(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；(2.3)模型训练：给定一组数据，包括配方剂量前指标I1、配方剂量方案X1、配方剂量后指标I2，假设存在函数关系I2＝function(I1,X1)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果应当是一定的；用神经网络来拟合这一函数关系：I2＝relu(w1*[I1,X1]+b)*w2(1)用历史数据来训练这一函数，得到其参数w1、b、w2的值，其中w1的维度为(n1,dim_hidden)，n1为I1的指标数量，dim_hidden为每一层神经网络的参数个数；神经网络可以采用多层神经网络。(2.4)预测：根据使用配方前指标I1预测配方剂量方案X1，利用训练好的函数(1)，计算能够让结果指标最好(值最小)的配方剂量方案X1，把使用配方后指标I2线性组合为一个浮点数值I2’＝func_linear(I20、I21…I2n2)；计算如下式得到X1：argminX1(I2’)＝argminX1(function(I1,X1))＝argminX1(relu(w1*[I1,X1]+b)*w2)(2)其中w1、b、w2为步骤2.3中得到的值，I1为输入值，计算X1的值使得式(2)即I2’的值最小。(2.5)对调节流程中的每个阶段按步骤2.3和2.4进行建模。进一步地，当应用场景为治疗过程的用药预测场景时，所述步骤(2.1)中采集上千份结构化的电子病历数据，包括治疗成功和治疗失败的病历，从中取出各个阶段的检测指标、医生的配方剂量方案、配方剂量后得到的结果指标；配方剂量方案一般包括各种成分的剂量时间和剂量，将配方剂量时间作为浮点数处理。进一步地，所述步骤(2.4)中采用梯度下降类优化方法或GibbsSampling方法计算X1。本专利技术的有益效果是：本专利技术解决了在多轮调节场景中用前馈网络建模的矛盾，即预测值在模型的输入中，通过在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量X1。附图说明图1为本专利技术应用于具有多次反馈调节特点场景的建模方法流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。如图1所示，本专利技术提供的一种应用于具有多次反馈调节特点场景的建模方法，包括：1.问题的分析和建模假设对一种工业生产场景中的复杂系统的调节包含3个阶段(实际应用中可以是1个或任意多个阶段)：第一阶段：根据初步检测指标1(I1＝I10、I11…I1n1共n1个指标)，采用配方剂量方案1(X1＝X10、X11，即两种药物的剂量)，得到了检测指标2(I2＝I20、I21…I2n2共n2个指标)；第二阶段：根据检测指标2、初步检测指标1、配方剂量方案1，采用配方剂量方案2(X2＝X20、X21)，得到了检测指标3(I3＝I30、I31…I3n3)；第三阶段：根据检测指标2、初步检测指标1、配方剂量方案1、检测指标3、配方剂量方案2，采用配方剂量方案3(X3＝X30、X31)，得到了检测指标4(I4＝I40、I41…I4n4)；检测指标举例：例如在治疗不孕中的检测指标包括卵泡大小、数量、子宫内膜的厚度这3个指标。检测指标4反映了最终的治疗结果是否成功；在应用场景中，每一阶段已知的信息是之前阶段的检测指标与配方剂量方案、当前阶段的检测指标，待预测的是当前阶段的配方剂量方案。2.数据采集与模型训练：2.1采集历史数据，包括每一次完整调节(生产、治疗)流程中的各环节的检测指标和使用的配方剂量方案数据，如在治疗过程中，采集上千份结构化的电子病历数据，从中取出各个阶段的检测指标、医生的配方剂量方案、配方剂量后得到的结果指标。包括治疗成功和治疗失败的病历，治疗失败的例如最终的结果指标显示治疗失败、治疗到中间阶段的指标太差而没有继续治疗。2.2数据预处理：数值型指标(包括整数和浮点数)按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好，选项型指标为0表示结果好，如果不符合“值越小表示结果越好”，则用1减去归一化后的值进行处理。配方剂量方案一般包括各种成分的剂量时间和剂量，如一天本文档来自技高网...

【技术保护点】
1.一种应用于具有多次反馈调节特点场景的建模方法，其特征在于，包括：/n(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；/n(2)数据采集与模型训练：/n(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；/n(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；/n(2.3)模型训练：给定一组数据，包括配方剂量前指标I

【技术特征摘要】
1.一种应用于具有多次反馈调节特点场景的建模方法，其特征在于，包括：
(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；
(2)数据采集与模型训练：
(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；
(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；
(2.3)模型训练：给定一组数据，包括配方剂量前指标I1、配方剂量方案X1、配方剂量后指标I2，假设存在函数关系I2＝function(I1,X1)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果应当是一定的；用神经网络来拟合这一函数关系：
I2＝relu(w1*[I1,X1]+b)*w2(1)
用历史数据来训练这一函数，得到其参数w1、b、w2的值，其中w1的维度为(n1,dim_hidden)，n1为I1的指标数量，dim_hidden为每一层神经网络参数个数；神经网络可以采用多层神经网络；
(2...

【专利技术属性】
技术研发人员：杨红飞，金霞，韩瑞峰，程东，
申请(专利权)人：杭州费尔斯通科技有限公司，
类型：发明
国别省市：浙江;33